CN108764264A - 烟雾检测方法、烟雾检测***及计算机装置 - Google Patents
烟雾检测方法、烟雾检测***及计算机装置 Download PDFInfo
- Publication number
- CN108764264A CN108764264A CN201810217094.6A CN201810217094A CN108764264A CN 108764264 A CN108764264 A CN 108764264A CN 201810217094 A CN201810217094 A CN 201810217094A CN 108764264 A CN108764264 A CN 108764264A
- Authority
- CN
- China
- Prior art keywords
- smog
- cnn models
- chimney
- training
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种烟雾检测方法、烟雾检测***、计算机装置和计算机可读存储介质,其中烟雾检测方法包括:获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
Description
技术领域
本发明涉及目标检测技术领域,具体而言,涉及一种烟雾检测方法、烟雾检测***、计算机装置和计算机可读存储介质。
背景技术
随着视频检测方法的不断产生,视频检测效果也成为关注焦点。近年来,视频检测已经有很多技术,例如可以通过Faster R-CNN(FasterRegion-based ConvolutionalNeural Networks,快速卷积神经网络)和SSD(Single Shot MultiboxDetector,单个深层神经网络)模型在视频检测中进行图像识别。然而,现有的Faster R-CNN模型和SSD模型在视频检测的过程中仍存在一定的缺陷,都存在精度低、计算代价高和耗时长等问题。
目前,烟雾检测属于计算机视觉领域中特定目标的检测识别问题,现有技术中实际使用中的烟雾检测算法主要包括:基于颜色信息的烟雾检测、基于运动信息的烟雾检测和基于小波分析的烟雾检测。但是,利用颜色信息进行烟雾检测容易受相似颜色目标的干扰,利用运动监控区域的成像条件等都对烟雾的准确检测结果有很大影响,利用小波分析方法往往只针对特定形态的烟雾,难以满足一些特定场合的应用需求。
因此,有必要找到一种新的视频检测技术,能够在大数据量的视频数据中实时检测到烟雾已经成为亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个方面在于提出了一种烟雾检测方法。
本发明的另一个方面在于提出了一种烟雾检测***。
本发明的再一个方面在于提出了一种计算机装置。
本发明的又一个方面在于提出了一种计算机可读存储介质。
有鉴于此,根据本发明的一个方面,提出了一种烟雾检测方法,包括:获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
本发明提供的烟雾检测方法,首先获取烟雾和烟囱的图片,将图片中烟雾和烟囱所在的位置以矩形框的形式进行标注,即添加位置标签,再对添加位置标签后的烟雾和烟囱的图片添加类别标签,进一步地,将添加位置标签和类别标签的烟雾和烟囱的图片进行处理后作为训练样本集输入到CNN(Convolutional Neural Networks,卷积神经网络)模型中,经过多次迭代训练后得到多个训练后的CNN模型,进一步地,通过损失函数在多个训练后的CNN模型中选出训练效果最佳的CNN模型,即最优CNN模型,通过最优CNN模型对实时视频进行烟雾检测,并给出当前实时视频中是否存在烟雾的检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
另外,CNN模型采用Inception-Resnet-V2(预训练卷积神经网络)模型训练效果更好,损失函数采用softmax(归一化)函数选取的最优CNN模型实现烟雾检测精度更高。
根据本发明的上述烟雾检测方法,还可以具有以下技术特征:
在上述技术方案中,优选地,获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签的步骤,具体包括:从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签。
在该技术方案中,将收集到的视频数据转化为烟雾、烟囱的图片数据集,在图片数据集中烟雾和烟囱所在的位置处以矩形框的形式对烟雾、烟囱进行标注,即添加位置标签,并对烟雾、烟囱添加类别标签。通过对图片数据集添加位置标签和类别标签,能够使最优CNN模型对实时视频进行烟雾检测时同时识别烟雾与烟囱,进而能够提升烟雾检测的速度和准确率。
其中,烟雾的类别标签为0,烟囱的类别标签为1。
在上述任一技术方案中,优选地,将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数的步骤,具体包括:将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数;其中,训练样本集由烟雾训练样本集和烟囱训练样本集组成。
在该技术方案中,将带有位置标签和类别标签的烟雾图片作为烟雾训练样本集输入到CNN模型中进行训练,得到多个训练后的烟雾CNN模型,在进行训练的同时计算烟雾损失函数;将带有位置标签和类别标签的烟囱图片作为烟囱训练样本集输入到CNN模型中进行训练,得到多个训练后的烟囱CNN模型,在进行训练的同时计算烟囱损失函数;进一步地,通过将烟雾CNN模型和烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数。通过将烟雾训练样本集和烟囱训练样本集分别进行训练后能够得到多个训练后的烟雾CNN模型和烟囱CNN模型,进而能够更加准确的识别烟雾与烟囱,以提升对烟雾的检测效果。
在上述任一技术方案中,优选地,根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果的步骤,具体包括:选取损失函数计算结果最小的训练后的CNN模型作为最优CNN模型,并利用最优CNN模型检测实时视频前后帧图片中烟雾位置移动的距离,将距离与预设阈值进行比较;如果距离大于等于预设阈值,则认为检测到烟雾;如果距离小于预设阈值,则认为没有检测到烟雾。
在该技术方案中,可以采用梯度优化算法优化损失函数以找到最优权值使损失最小,进一步地,根据损失函数计算结果最小的训练后的CNN模型作为最优CNN模型对实时视频进行烟雾检测,通过将实时视频中前后帧图片中烟雾位置移动的距离和预设阈值进行比较,以判断该实时视频是否存在烟雾。通过得到的最优CNN模型对实时视频进行烟雾检测,能够及时的检测出烟雾,提升烟雾检测的准确率的同时还能够提升检测速度。
根据本发明的另一个方面,提出了一种烟雾检测***,包括:获取单元,用于获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;训练单元,用于将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;检测单元,用于根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
本发明提供的烟雾检测***,首先通过获取单元获取烟雾和烟囱的图片,将图片中烟雾和烟囱所在的位置以矩形框的形式进行标注,即添加位置标签,再对添加位置标签后的烟雾和烟囱的图片添加类别标签,进一步地,将添加位置标签和类别标签的烟雾和烟囱的图片进行处理后作为训练样本集输入到CNN模型中,经过多次迭代训练后得到多个训练后的CNN模型,进一步地,通过损失函数在多个训练后的CNN模型中选出训练效果最佳的CNN模型,即最优CNN模型,通过最优CNN模型对实时视频进行烟雾检测,并给出当前实时视频中是否存在烟雾的检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
另外,CNN模型采用Inception-Resnet-V2模型训练效果更好,损失函数采用softmax函数选取的最优CNN模型实现烟雾检测精度更高。
根据本发明的上述移动终端的控制***,还可以具有以下技术特征:
在上述技术方案中,优选地,获取单元具体用于:从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签。
在该技术方案中,将收集到的视频数据转化为烟雾、烟囱的图片数据集,在图片数据集中烟雾和烟囱所在的位置处以矩形框的形式对烟雾、烟囱进行标注,即添加位置标签,并对烟雾、烟囱添加类别标签。通过对图片数据集添加位置标签和类别标签,能够使最优CNN模型对实时视频进行烟雾检测时同时识别烟雾与烟囱,进而能够提升烟雾检测的速度和准确率。
其中,烟雾的类别标签为0,烟囱的类别标签为1。
在上述任一技术方案中,优选地,训练单元具体包括:计算单元,用于将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;求和单元,用于将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数;其中,训练样本集由烟雾训练样本集和烟囱训练样本集组成。
在该技术方案中,将带有位置标签和类别标签的烟雾图片作为烟雾训练样本集输入到CNN模型中进行训练,得到多个训练后的烟雾CNN模型,在进行训练的同时通过计算单元计算烟雾损失函数;将带有位置标签和类别标签的烟囱图片作为烟囱训练样本集输入到CNN模型中进行训练,得到多个训练后的烟囱CNN模型,在进行训练的同时通过计算单元计算烟囱损失函数;进一步地,通过求和单元将烟雾CNN模型和烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数。通过将烟雾训练样本集和烟囱训练样本集分别进行训练后能够得到多个训练后的烟雾CNN模型和烟囱CNN模型,进而能够更加准确的识别烟雾与烟囱,以提升对烟雾的检测效果。
在上述任一技术方案中,优选地,检测单元具体用于:选取损失函数计算结果最小的训练后的模型作为最优CNN模型,并利用最优CNN模型检测实时视频前后帧图片中烟雾位置移动的距离,将距离与预设阈值进行比较;如果距离大于等于预设阈值,则认为检测到烟雾;如果距离小于预设阈值,则认为没有检测到烟雾。
在该技术方案中,可以采用梯度优化算法优化损失函数以找到最优权值使损失最小,进一步地,根据损失函数计算结果最小的训练后的CNN模型作为最优CNN模型对实时视频进行烟雾检测,通过将实时视频中前后帧图片中烟雾位置移动的距离和预设阈值进行比较,以判断该实时视频是否存在烟雾。通过得到的最优CNN模型对实时视频进行烟雾检测,能够及时的检测出烟雾,提升烟雾检测的准确率的同时还能够提升检测速度。
根据本发明的再一个方面,提出了一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一项中的烟雾检测方法。
本发明提供的计算机装置,通过处理器执行计算机程序时实现如上述任一项中的烟雾检测方法,实现获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
根据本发明的又一个方面,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一项中的烟雾检测方法。
本发明提供的计算机可读存储介质,通过计算机程序被处理器执行时实现如上述任一项中的烟雾检测方法,实现获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了本发明的一个实施例的烟雾检测方法的流程示意图;
图2示出了本发明的另一个实施例的烟雾检测方法的流程示意图;
图3示出了本发明的再一个实施例的烟雾检测方法的流程示意图;
图4示出了本发明的又一个实施例的烟雾检测方法的流程示意图;
图5a示出了本发明的一个实施例的烟雾检测***的示意框图;
图5b示出了本发明的另一个实施例的烟雾检测***的示意框图;
图6示出了本发明的一个实施例的计算机装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图6描述根据本发明一些实施例所述的烟雾检测方法、烟雾检测***、计算机装置及计算机可读存储介质。
本发明第一方面的实施例,提出一种烟雾检测方法,图1示出了本发明的一个实施例的烟雾检测方法的流程示意图,其中,该方法包括以下步骤:
步骤S102,获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;
步骤S104,将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;
步骤S106,根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
本发明提供的烟雾检测方法,首先获取烟雾和烟囱的图片,将图片中烟雾和烟囱所在的位置以矩形框的形式进行标注,即添加位置标签,再对添加位置标签后的烟雾和烟囱的图片添加类别标签,进一步地,将添加位置标签和类别标签的烟雾和烟囱的图片进行处理后作为训练样本集输入到CNN模型中,经过多次迭代训练后得到多个训练后的CNN模型,进一步地,通过损失函数在多个训练后的CNN模型中选出训练效果最佳的CNN模型,即最优CNN模型,通过最优CNN模型对实时视频进行烟雾检测,并给出当前实时视频中是否存在烟雾的检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
另外,CNN模型采用Inception-Resnet-V2模型训练效果更好,损失函数采用softmax函数选取的最优CNN模型实现烟雾检测精度更高。
在本发明的一个实施例中,图2示出了本发明的另一个实施例的烟雾检测方法的流程示意图,其中,该方法包括以下步骤:
步骤S202,从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签;
步骤S204,将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;
步骤S206,根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
在该实施例中,将收集到的视频数据转化为烟雾、烟囱的图片数据集,在图片数据集中烟雾和烟囱所在的位置处以矩形框的形式对烟雾、烟囱进行标注,即添加位置标签,并对烟雾、烟囱添加类别标签。通过对图片数据集添加位置标签和类别标签,能够使最优CNN模型对实时视频进行烟雾检测时同时识别烟雾与烟囱,进而能够提升烟雾检测的速度和准确率。
其中,烟雾的类别标签为0,烟囱的类别标签为1。
在本发明的一个实施例中,图3示出了本发明的再一个实施例的烟雾检测方法的流程示意图,其中,该方法包括以下步骤:
步骤S302,从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签;
步骤S304,将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;
步骤S306,将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数;
步骤S308,根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
在该实施例中,将带有位置标签和类别标签的烟雾图片作为烟雾训练样本集输入到CNN模型中进行训练,得到多个训练后的烟雾CNN模型,在进行训练的同时计算烟雾损失函数;将带有位置标签和类别标签的烟囱图片作为烟囱训练样本集输入到CNN模型中进行训练,得到多个训练后的烟囱CNN模型,在进行训练的同时计算烟囱损失函数;进一步地,通过将烟雾CNN模型和烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数。通过将烟雾训练样本集和烟囱训练样本集分别进行训练后能够得到多个训练后的烟雾CNN模型和烟囱CNN模型,进而能够更加准确的识别烟雾与烟囱,以提升对烟雾的检测效果。
在本发明的一个实施例中,图4示出了本发明的又一个实施例的烟雾检测方法的流程示意图,其中,该方法包括以下步骤:
步骤S402,从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签;
步骤S404,将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;
步骤S406,将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数;
步骤S408,选取损失函数计算结果最小的训练后的CNN模型作为最优CNN模型,并利用最优CNN模型检测实时视频前后帧图片中烟雾位置移动的距离;
步骤S410,判断烟雾位置移动的距离是否大于等于预设阈值;
步骤S412,如果距离大于等于预设阈值,则认为检测到烟雾;
步骤S414,如果距离小于预设阈值,则认为没有检测到烟雾。
在该实施例中,可以采用梯度优化算法优化损失函数以找到最优权值使损失最小,进一步地,根据损失函数计算结果最小的训练后的CNN模型作为最优CNN模型对实时视频进行烟雾检测,通过将实时视频中前后帧图片中烟雾位置移动的距离和预设阈值进行比较,以判断该实时视频是否存在烟雾。通过得到的最优CNN模型对实时视频进行烟雾检测,能够及时的检测出烟雾,提升烟雾检测的准确率的同时还能够提升检测速度。
本发明第二方面的实施例,提出一种烟雾检测***,图5a示出了本发明的一个实施例的烟雾检测***500的示意框图,其中,该***包括:
获取单元502,用于获取烟雾、烟囱的图片数据集,并对图片数据集添加位置标签和类别标签;
训练单元504,用于将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;
检测单元506,用于根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
本发明提供的烟雾检测***500,首先通过获取单元502获取烟雾和烟囱的图片,将图片中烟雾和烟囱所在的位置以矩形框的形式进行标注,即添加位置标签,再对添加位置标签后的烟雾和烟囱的图片添加类别标签,进一步地,将添加位置标签和类别标签的烟雾和烟囱的图片进行处理后作为训练样本集输入到CNN模型中,经过多次迭代训练后得到多个训练后的CNN模型,进一步地,通过损失函数在多个训练后的CNN模型中选出训练效果最佳的CNN模型,即最优CNN模型,通过最优CNN模型对实时视频进行烟雾检测,并给出当前实时视频中是否存在烟雾的检测结果。本发明提供的烟雾检测方法通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
另外,CNN模型采用Inception-Resnet-V2模型训练效果更好,损失函数采用softmax函数选取的最优CNN模型实现烟雾检测精度更高。
在本发明的一个实施例中,优选地,获取单元502具体用于:从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签。
在该实施例中,将收集到的视频数据转化为烟雾、烟囱的图片数据集,在图片数据集中烟雾和烟囱所在的位置处以矩形框的形式对烟雾、烟囱进行标注,即添加位置标签,并对烟雾、烟囱添加类别标签。通过对图片数据集添加位置标签和类别标签,能够使最优CNN模型对实时视频进行烟雾检测时同时识别烟雾与烟囱,进而能够提升烟雾检测的速度和准确率。
其中,烟雾的类别标签为0,烟囱的类别标签为1。
在本发明的一个实施例中,优选地,图5b示出了本发明的另一个实施例的烟雾检测***500的示意框图,其中,该***包括:
获取单元502,用于从收集的视频数据中获取烟雾、烟囱的图片数据集,在图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签;
训练单元504,用于将带有位置标签和类别标签的图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;训练单元504包括计算单元508,用于将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;求和单元510,用于将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数;其中,训练样本集由烟雾训练样本集和烟囱训练样本集组成。
检测单元506,用于根据损失函数在多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
在该实施例中,将带有位置标签和类别标签的烟雾图片作为烟雾训练样本集输入到CNN模型中进行训练,得到多个训练后的烟雾CNN模型,在进行训练的同时通过计算单元508计算烟雾损失函数;将带有位置标签和类别标签的烟囱图片作为烟囱训练样本集输入到CNN模型中进行训练,得到多个训练后的烟囱CNN模型,在进行训练的同时通过计算单元508计算烟囱损失函数;进一步地,通过求和单元510将烟雾CNN模型和烟囱CNN模型相加得到多个训练后的CNN模型,将烟雾损失函数和烟囱损失函数相加得到损失函数。通过将烟雾训练样本集和烟囱训练样本集分别进行训练后能够得到多个训练后的烟雾CNN模型和烟囱CNN模型,进而能够更加准确的识别烟雾与烟囱,以提升对烟雾的检测效果。
在本发明的一个实施例中,优选地,检测单元506具体用于:选取损失函数计算结果最小的训练后的模型作为最优CNN模型,并利用最优CNN模型检测实时视频前后帧图片中烟雾位置移动的距离,将距离与预设阈值进行比较;如果距离大于等于预设阈值,则认为检测到烟雾;如果距离小于预设阈值,则认为没有检测到烟雾。
在该实施例中,可以采用梯度优化算法优化损失函数以找到最优权值使损失最小,进一步地,根据损失函数计算结果最小的训练后的CNN模型作为最优CNN模型对实时视频进行烟雾检测,通过将实时视频中前后帧图片中烟雾位置移动的距离和预设阈值进行比较,以判断该实时视频是否存在烟雾。通过得到的最优CNN模型对实时视频进行烟雾检测,能够及时的检测出烟雾,提升烟雾检测的准确率的同时还能够提升检测速度。
本发明第三方面的实施例,提出一种计算机装置,图6示出了本发明的一个实施例的计算机装置600的示意框图,其中,该装置包括:存储器602、处理器604及存储在存储器602上并可在处理器604上运行的计算机程序,处理器604执行计算机程序时实现如上述的烟雾检测方法。
本发明提供的计算机装置600,处理器604执行计算机程序时实现通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
本发明第四方面的实施例,提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器604执行时实现如上述的烟雾检测方法。
本发明提供的计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器604执行时实现如上述的烟雾检测方法,实现通过在大数据量的视频中同时识别烟雾与烟囱,可以在实时视频中及时的检测出烟雾,不仅能够提升烟雾检测的准确率,还能够提升烟雾的检测速度。
在本发明中,术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种烟雾检测方法,其特征在于,包括:
获取烟雾、烟囱的图片数据集,并对所述图片数据集添加位置标签和类别标签;
将带有位置标签和类别标签的所述图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;
根据所述损失函数在所述多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
2.根据权利要求1所述的烟雾检测方法,其特征在于,所述获取烟雾、烟囱的图片数据集,并对所述图片数据集添加位置标签和类别标签的步骤,具体包括:
从收集的视频数据中获取所述烟雾、烟囱的图片数据集,在所述图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签。
3.根据权利要求1或2所述的烟雾检测方法,其特征在于,所述将带有位置标签和类别标签的所述图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数的步骤,具体包括:
将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;
将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到所述多个训练后的CNN模型,将所述烟雾损失函数和所述烟囱损失函数相加得到所述损失函数;
其中,所述训练样本集由所述烟雾训练样本集和所述烟囱训练样本集组成。
4.根据权利要求3所述的烟雾检测方法,其特征在于,所述根据所述损失函数在所述多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果的步骤,具体包括:
选取所述损失函数计算结果最小的训练后的CNN模型作为所述最优CNN模型,并利用所述最优CNN模型检测实时视频前后帧图片中烟雾位置移动的距离,将所述距离与预设阈值进行比较;
如果所述距离大于等于所述预设阈值,则认为检测到烟雾;
如果所述距离小于所述预设阈值,则认为没有检测到烟雾。
5.一种烟雾检测***,其特征在于,包括:
获取单元,用于获取烟雾、烟囱的图片数据集,并对所述图片数据集添加位置标签和类别标签;
训练单元,用于将带有位置标签和类别标签的所述图片数据集作为训练样本集输入到CNN模型中进行训练,得到多个训练后的CNN模型,并在进行训练的同时计算损失函数;
检测单元,用于根据所述损失函数在所述多个训练后的CNN模型中选取最优CNN模型对实时视频进行烟雾检测,以得到烟雾检测结果。
6.根据权利要求5所述的烟雾检测***,其特征在于,所述获取单元具体用于:
从收集的视频数据中获取所述烟雾、烟囱的图片数据集,在所述图片数据集中烟雾、烟囱所处的位置上添加位置标签和类别标签。
7.根据权利要求5或6所述的烟雾检测***,其特征在于,所述训练单元具体包括:
计算单元,用于将带有位置标签和类别标签的烟雾图片与带有位置标签和类别标签的烟囱图片分别存储,并分别作为烟雾训练样本集和烟囱训练样本集输入到CNN模型中进行训练,分别得到多个训练后的烟雾CNN模型和多个训练后的烟囱CNN模型,并在进行训练的同时分别计算烟雾损失函数和烟囱损失函数;
求和单元,用于将任一训练后的烟雾CNN模型与任一训练后的烟囱CNN模型相加得到所述多个训练后的CNN模型,将所述烟雾损失函数和所述烟囱损失函数相加得到所述损失函数;
其中,所述训练样本集由所述烟雾训练样本集和所述烟囱训练样本集组成。
8.根据权利要求7所述的烟雾检测***,其特征在于,所述检测单元具体用于:
选取所述损失函数计算结果最小的训练后的模型作为所述最优CNN模型,并利用所述最优CNN模型检测实时视频前后帧图片中烟雾位置移动的距离,将所述距离与预设阈值进行比较;
如果所述距离大于等于所述预设阈值,则认为检测到烟雾;
如果所述距离小于所述预设阈值,则认为没有检测到烟雾。
9.一种计算机装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的烟雾检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的烟雾检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810217094.6A CN108764264A (zh) | 2018-03-16 | 2018-03-16 | 烟雾检测方法、烟雾检测***及计算机装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810217094.6A CN108764264A (zh) | 2018-03-16 | 2018-03-16 | 烟雾检测方法、烟雾检测***及计算机装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764264A true CN108764264A (zh) | 2018-11-06 |
Family
ID=63980406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810217094.6A Pending CN108764264A (zh) | 2018-03-16 | 2018-03-16 | 烟雾检测方法、烟雾检测***及计算机装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764264A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766780A (zh) * | 2018-12-20 | 2019-05-17 | 武汉理工大学 | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 |
CN110956611A (zh) * | 2019-11-01 | 2020-04-03 | 武汉纺织大学 | 一种集成卷积神经网络的烟雾检测方法 |
CN112215122A (zh) * | 2020-09-30 | 2021-01-12 | 中国科学院深圳先进技术研究院 | 基于视频图像目标检测的火灾检测方法、***、终端以及存储介质 |
CN112634151A (zh) * | 2020-12-14 | 2021-04-09 | 深圳中兴网信科技有限公司 | 基于泊松融合的烟雾数据增强方法、增强设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741479A (zh) * | 2016-01-25 | 2016-07-06 | 赣州市金电电子设备有限公司 | 基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
CN106778820A (zh) * | 2016-11-25 | 2017-05-31 | 北京小米移动软件有限公司 | 识别模型确定方法及装置 |
CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
-
2018
- 2018-03-16 CN CN201810217094.6A patent/CN108764264A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741479A (zh) * | 2016-01-25 | 2016-07-06 | 赣州市金电电子设备有限公司 | 基于热成像和烟雾识别一体森林防火ia-pcnn算法 |
CN106778820A (zh) * | 2016-11-25 | 2017-05-31 | 北京小米移动软件有限公司 | 识别模型确定方法及装置 |
CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766780A (zh) * | 2018-12-20 | 2019-05-17 | 武汉理工大学 | 一种基于深度学习的船舶烟雾排放在线检测和追踪方法 |
CN110956611A (zh) * | 2019-11-01 | 2020-04-03 | 武汉纺织大学 | 一种集成卷积神经网络的烟雾检测方法 |
CN112215122A (zh) * | 2020-09-30 | 2021-01-12 | 中国科学院深圳先进技术研究院 | 基于视频图像目标检测的火灾检测方法、***、终端以及存储介质 |
CN112215122B (zh) * | 2020-09-30 | 2023-10-24 | 中国科学院深圳先进技术研究院 | 基于视频图像目标检测的火灾检测方法、***、终端以及存储介质 |
CN112634151A (zh) * | 2020-12-14 | 2021-04-09 | 深圳中兴网信科技有限公司 | 基于泊松融合的烟雾数据增强方法、增强设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324937B (zh) | 标注目标的方法和装置 | |
CN108764264A (zh) | 烟雾检测方法、烟雾检测***及计算机装置 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN105956632B (zh) | 一种检测目标的方法和装置 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN108810620A (zh) | 识别视频中的关键时间点的方法、计算机设备及存储介质 | |
CN113361354B (zh) | 轨道部件巡检方法、装置、计算机设备和存储介质 | |
CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN109360183A (zh) | 一种基于卷积神经网络的人脸图像质量评估方法和*** | |
CN103325122B (zh) | 基于双向排序的行人检索方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109117836A (zh) | 一种基于焦点损失函数的自然场景下文字检测定位方法和装置 | |
CN110399884A (zh) | 一种特征融合自适应锚框模型车辆检测方法 | |
CN109886947A (zh) | 基于区域的卷积神经网络的高压电线缺陷检测方法 | |
CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和*** | |
CN105866782B (zh) | 一种基于激光雷达的运动目标检测***及方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN101930533A (zh) | 在图像采集设备中进行天空检测的装置和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |